机器学习和模拟识别了具有体外活性的食品衍生性丁氧化酶抑制剂

科学领域:

• 生物化学和计算化学.
• 自然产品 药物发现 药物发现

背景情况:

• 痛风是一种与高尿酸水平相关的代谢障碍,由丁氧化酶 (XO) 活性驱动.
• 在痛风管理中寻求抑制XO的食品衍生化合物,需要进行体内验证.

研究的目的:

• 开发和应用一个集成的in-silico工作流程来识别天然的XO抑制剂.
• 从食品衍生化合物库中优先选择潜在的XO抑制剂.

主要方法:

• 机器学习 (拓扭曲随机森林) 用于抑制器预测.
• 分子对接和200-ns分子动力学 (MD) 模拟.
• 在HepG2细胞中进行体外XO抑制试验和细胞毒性测试.

主要成果:

• 一个机器学习模型在预测XO抑制剂方面取得了高准确性 (AUC 0.992).
• 确定了128个高可靠性命中,其中10个显示了有利的对接分数.
• 素-7-葡萄糖化物,5,4'-二二黄和乌拉醇显示出显著的体外XO抑制 (IC50s 26-39μM) 没有细胞毒性.

结论:

• 该研究使用计算框架成功识别和验证了来自食物来源的天然XO抑制剂.
• 这些化合物显示出对痛风治疗的潜力,因此需要进一步进行体外研究.
• 开发的工作流提供了一种可扩展的方法,用于基于天然产品的药物发现.